1. No category

FI-analys
Finansinspektionens
sårbarhetsindikatorer
Nr 2
1 DEC 2015
Sammanfattning
Det finansiella systemet har ett antal inneboende sårbarheter. Dessa sårbarheter
behöver i sig inte innebära ett hot mot den finansiella stabiliteten, men tillsammans med en störning kan de leda till finansiell och makroekonomisk instabilitet. Störningar är svåra att förutse eftersom de ofta uppstår snabbt och
kan utlösas av ett stort antal tänkbara händelser. Finansinspektionen (FI) har
dessutom sällan möjlighet att förhindra eller mildra störningen eller dess omfattning. Det är däremot möjligt att följa uppbyggnaden av sårbarheter som i
regel sker över en längre period. Till skillnad från störningar är det ofta också
lättare för FI och andra myndigheter att vidta åtgärder mot sårbarheter. FI försöker därför i huvudsak identifiera och minska det finansiella systemets sårbarheter.
FI följer löpande det finansiella systemets sårbarheter. Nu går FI ett steg längre
genom att skapa ett system för att gruppera och studera indikatorerer för sårbarheter. En systematisk genomgång av indikatorer hjälper till att identifiera
och följa sårbarheter vilket gör det lättare att förstå riskerna för finansiell och
makroekonomisk instabilitet. Informationen sammanfattas i en så kallad värmekarta. Det indikatorsystem som presenteras här ska ses som ett komplement
till traditionella expertbedömningar – indikatorerna används i första hand som
insats i bedömningsarbetet.
Sårbarhetsindikatorerna grupperas efter sektor och sårbarhetskategori. Denna
gruppering ger en sammanfattande bild från indikatorerna i varje sektor och
kategori. I artikeln använder vi bank- och hushållssektorerna. Sårbarhetskategorierna är likviditet, soliditet och exponering. För varje indikator bedöms eller
skattas tröskelvärden för när den ska signalera förhöjd eller hög sårbarhet.
De flesta indikatorer visar låg sårbarhet. För hushållssektorn är undantagen
kreditgapet och bostadspriserna som visar på förhöjd eller hög sårbarhet. För
banksektorn är undantagen kreditgapet, vissa likviditetsindikatorer och koncentrationsmått som också visar på förhöjd eller hög sårbarhet.
Finansinspektionen
08-787 80 00
finansinspektionen@fi.se
www.fi.se
Dnr: 15-15980
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Inledning
Det finansiella systemet har ett antal inneboende sårbarheter. Dessa
sårbarheter behöver i sig inte innebära ett hot mot den finansiella stabiliteten, utan det krävs att en yttre störning tillkommer. Yttre störningar är svåra att förutse eftersom de kan uppstå plötsligt. Finansinspektionen (FI) har dessutom sällan möjlighet att förhindra eller
mildra själva störningens omfattning. Uppbyggnaden av sårbarheter är
däremot enklare att bevaka och är i regel lättare för FI och andra myndigheter att vidta åtgärder mot. FI:s arbete med finansiell stabilitet
syftar därför i huvudsak till att identifiera och minska systemets sårbarhet.
FI följer löpande det finansiella systemets sårbarheter. Nu går FI ett
steg längre genom att skapa ett system för att gruppera och studera
indikatorerer för sårbarheter. En systematisk genomgång av indikatorer hjälper till att identifiera och följa sårbarheter vilket gör det lättare
att förstå riskerna för finansiell eller makroekonomisk instabilitet. Det
indikatorsystem som presenteras här ska ses som ett komplement till
traditionella expertbedömningar – indikatorerna används i första hand
som insats i bedömningsarbetet.1
Denna FI-analys redovisar FI:s indikatorsystem, där indikatorer används för att följa graden av sårbarhet i olika delar av det finansiella
systemet. Rapporten ska ses som en första analys och fler rapporter
tillkommer då nya sektorer läggs till. FI:s indikatorsystem liknar på
flera sätt de som andra organisationer använder - som till exempel
Europeiska systemrisknämnden (ESRB), Europeiska centralbanken
(ECB) och den kanadensiska centralbanken.2 Framför allt följer FI i
hög grad ESRB:s sätt att gruppera indikatorerna efter finansiella sektorer och sårbarhetskategorier.
De använda indikatorerna är utvalda för att de redan utgör en viktig
del av FI:s bevakning av det finansiella systemet eller för att studier
funnit att indikatorerna är informativa. Till varje indikator sätter vi
tröskelvärden, som när de överstigs, genererar en färgsignal vilka
sammanfattas i en värmekarta.3
Värmekartor är ett relativt nytt analysredskap för FI och det är troligt
att värmekartan kommer att utvecklas över tiden, både vad gäller grad
av sofistikation och de ingående indikatorerna.
Denna studie diskuterar inledningsvis varför FI följer finansiella sårbarheter och hur ett indikatorsystem kan stödja ett sådant arbete. Indikatorerna grupperas först i två dimensioner: sektor (t.ex. banker) och
sårbarhetskategori (t.ex. soliditet). Artikeln diskuterar därefter de
indikatorer vi använder och hur vi bestämmer tröskelvärden för vilken
grad av sårbarhet indikatorerna ska signalera. Slutligen visas en aktuell bild över sårbarheterna i en skattad värmekarta. Tekniska detaljer
och en lista över ingående indikatorer har placerats i bilagor.
1 Se FI:s rapporter ”Stabiliteten i det finansiella systemet” och FI (2014a) som beskriver hur FI
bedriver det övergripande stabilitetsarbetet.
2 Se ESRB (2015a), ESRB (2015b), BoC (2014) och ECB (2014).
3 En värmekarta (eng. heatmap) är en grafisk illustration av information där de individuella
värdena representeras av färger. Varje färg har ett signalvärde, där exempelvis grönt indikerar att de valda kvantitativa indikatorerna bedömer att läget är under kontroll, medan rött indikerar motsatsen.
2
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Sårbarhetsindikatorer ger struktur i analysen
FI använder redan kvantitativa indikatorer för att analysera den finansiella stabiliteten. Syftet med ett formaliserat indikatorsystem är att
komplettera detta arbete för att identifiera luckor samt att tydliggöra
informationen om sårbarheterna ytterligare.
FINANSINSPEKTIONEN OCH DEN FINANSIELLA
STABILITETEN
Finansinspektionen verkar för ett stabilt finansiellt system.4,5 Med
finansiell stabilitet menar FI att systemet kan upprätthålla sina grundläggande funktioner – förmedla betalningar, omvandla sparande till
finansiering och hantera risker – även under skiftande ekonomiska
förhållanden. Upprätthållandet av de grundläggande funktionerna och
att verka för att systemet är motståndskraftigt mot störningar kan ses
som myndighetens traditionella mål. FI har dessutom nyligen fått ett
kompletterande uppdrag som innebär att stabilisera kreditmarknaden.6
Ett exempel på en sådan obalans är hushållens höga skuldsättning,
som kan öka riskerna för djupa konjunkturella svackor.
STÖRNINGAR OCH SÅRBARHETER SAMVERKAR FÖR ATT
SKAPA FINANSIELL INSTABILITET
De händelseförlopp som skapar finansiell instabilitet är oftast komplexa och svåra att identifiera på förhand. För att strukturera arbetet
använder vi begreppen sårbarhet och störning för att beskriva ett
sådant förlopp. Indelningen har inspirerats av ESRB:s arbete med
riskklassificering.7
I det indikatorsystem som presenteras här definieras sårbarheter som
en avsaknad av tillräcklig motståndskraft mot finansiell stress. Sårbarheter existerar i varierande grad alltid i det finansiella systemet. Ett
exempel på en sådan sårbarhet är bankernas beroende av kortfristig
finansiering. Om bankerna inte får tillgång till finansiering måste de
begränsa sin utlåning eller sälja tillgångar. I förlängningen kan detta
hota den finansiella stabiliteten.
4 För närmare detaljer om FI:s mål se FI (2014a).
5 Enligt 2 § i förordningen (2009:93) med instruktion för Finansinspektionen ska FI arbeta för att
det finansiella systemet ”… är stabilt och präglas av ett högt förtroende med väl fungerande
marknader som tillgodoser hushållens och företagens behov av finansiella tjänster, och ger
ett högt skydd för konsumenter.”
6 Mer specifikt ansvarar FI för ”… att vidta åtgärder för att motverka finansiella obalanser i syfte
att stabilisera kreditmarknaden, men med beaktande av åtgärdernas effekt på den ekonomiska utvecklingen.” Se 1 §, 3 p i förordningen (2009:93) med instruktion för Finansinspektionen.
7 Enligt ESRB:s terminologi motsvaras dessa begrepp av: trigger (störning) och vulnerability
(sårbarhet). För att utvärdera skadan på det finansiella systemet, något ESRB benämner risk,
väger de ihop sannolikheten för en störning och effekten av en sårbarhet. Se ESRB (2015b).
Även Bank of Canada använder en mer eller mindre identisk klassificering i tre huvudkomponenter: ”vulnerability”, ”trigger” och ”risk”; där risk klassificeras efter hur sannolikhet händelsen
är och dess effekt (BoC, 2014). Vidare använder sig ECB också av en identisk indelning, bl.a.
i deras riskrapporter.
3
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Uppbyggnaden av sårbarheter leder inte i sig själv till finansiell instabilitet. Det behövs också något som utlöser en kris. Sådana utlösande
faktorer kallar vi för störningar. En viktig skillnad mellan störningar
och sårbarheter är att störningar uppstår plötsligt medan sårbarheter
byggs upp över tid. Störningar kan komma från det finansiella systemet, men de kan även skapas utanför systemet. Ett exempel på en
störning är den stress på interbank-marknaderna som 2008 utlöstes av
att den amerikanska staten lät investmentbanken Lehman Brothers gå i
konkurs.
Förutom att störningar uppstår plötsligt och därmed är svåra att förutse
är en annan viktig skillnad, relativt sårbarheter, att FI sällan kan begränsa en störning. Sårbarheter är däremot något FI kan bevaka och
ofta påverka. I exemplet med bankernas beroende av kort finansiering
minskas till exempel sårbarheten genom att FI kräver att bankerna
håller högre likviditetsbuffertar.
Dessutom behöver den uppbyggda sårbarheten vara exponerad mot
den störning som inträffar för att finansiell instabilitet ska uppstå. En
kris i en mindre utländsk ekonomi leder förmodligen inte till att Sveriges finansiella system blir instabilt. Däremot är det troligt att det
svenska finansiella systemet påverkas om en systemviktig svensk
bank har stor utlåning i det krisdrabbade landet. Det är med andra ord
avgörande om en bank är exponerad mot det krisdrabbade landet eller
inte.
När den finansiella instabiliteten är så kritisk att den hotar spilla över i
och allvarligt påverka hela samhällsekonomin kallas det för en
systemrisk (eng. systemic risks).8 Det är främst sådana risker som
motiverar ingripande och regleringar i syfte att stärka den finansiella
stabiliteten. Ett exempel på en potentiell systemrisk är att svenska
banker kraftigt begränsar sin utlåning. Detta kan utgöra ett hot mot
den finansiella stabiliteten eftersom den minskade utlåningen gör det
omöjligt för finansmarknaderna att omvandla sparande till finansiering. Den kraftiga kreditåtstramningen leder i sin tur till att aktiviteten
i ekonomin faller kraftigt.
FI:s utvidgade uppdrag, avseende uppbyggnader av obalanser på kreditmarknaden, kräver även bevakning av sårbarheter som byggs upp i
den reala ekonomin till följd av finansiella obalanser. Hushållens
skuldbörda är ett exempel på en sådan realekonomisk sårbarhet, vilken, i kombination med en störning (t.ex. ett husprisfall), kan leda till
en kraftig konjunkturnedgång, se t.ex. FI (2014b).
Det finns alltså flera skäl för varför sårbarheter är naturliga att bevaka.
Resten av rapporten fokuserar därför främst på sårbarheter.
SÅRBARHETER GRUPPERAS I TVÅ DIMENSIONER
FI följer sårbarheternas utveckling bland annat med hjälp av indikatorer. Eftersom det finns ett stort antal sårbarheter har vi valt att gruppera sårbarhetsindikatorerna i två dimensioner. Grupperingen innebär
att överskådligheten ökar. Den underlättar också visualiseringen av
sårbarheter och därmed diskussion kring behov av eventuella åtgärder.
Den första dimensionen avser den sektor i det finansiella systemet
som sårbarheten finns i och den andra beskriver vilken typ av sårbarhet som avses. Indelningen är i grova drag i linje med ESRB (2015a).
8 ESRB:s definition av en systemrisk är: ”a risk of disruption in the [EU] financial system with
the potential to have serious negative consequences for the internal market and the real economy” (ESRB, 2015b, s 12).
4
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Vi inkluderar endast de sektorer som kan utgöra ett hot mot den finansiella stabiliteten och därför läggs huvudfokus på banksektorn. Hushållssektorn inkluderas också eftersom den utgör en viktig del av FI:s
makrotillsynsuppdrag. Försäkringsbolag och finansiella marknader är
viktiga i sammanhanget men de kommer inte att inkluderas i denna
första analys. Icke-finansiella företag är i regel inte ett hot mot den
finansiella stabiliteten. Undantaget är fastighetsbolag som kommer att
inkluderas framöver.9
Den andra dimensionen består av tre s.k. sårbarhetskategorier (se även
FI, 2014a):



Likviditet, som beskriver hur god tillgång en sektor har till
likvida medel för att kunna infria sina förpliktelser. Här avses
främst motståndskraft mot störningar av mer övergående karaktär.
Soliditet, som beskriver hur god motståndskraft en sektor har
mot prisförändringar och oväntade förluster. Här avses främst
förmågan att kunna infria sina långsiktiga åtaganden.
Exponering, som fångar att en sårbarhet måste vara kopplad
till en störning för att den finansiella stabiliteten ska påverkas.
Exponeringar kan vara direkta – t.ex. en sektors innehav av
aktier och obligationer från en annan sektor – eller indirekta;
exempelvis genom att de påverkas via prissättning på en gemensam marknad. Både indirekta och direkta exponeringar
bidrar till att problem mellan institutioner och sektorer sprids
vidare i systemet.
Flera faktorer bidrar till att en störning sprider sig genom det finansiella systemet. Graden av sammanlänkning är en sådan faktor; ett mer
sammanlänkat system innebär att en störning sprider sig lättare. Riskkoncentration är en annan sådan faktor – att många institutioner är
exponerade mot en och samma risk gör systemet känsligare. Även
enskilda instituts dominerande ställning innebär en förhöjd risk då ett
fallissemang av ett systemviktigt institut kan leda till stora spridningseffekter. Slutligen är vissa exponeringar mer riskabla än andra. Exempelvis har riskerna förknippade med lån till hushåll historiskt varit
lägre än de till företag.10
9 Både Bank of England och Bank of Canada använder sig också av en sektorindelning. Bank
of England delar in indikatorerna efter sektorerna: banker, icke-banker och marknader (BoE,
2014); medan Bank of Canada använder sig av sektorerna: finansiella institutioner, tillgångsmarknader, icke-finansiella institutioner och finansiell infrastruktur (BoC, 2014).
10 Till skillnad från FI har ESRB valt att kategorisera sina sårbarheter efter s.k. intermediära
mål. Dessa är :”excessive credit growth & leverage”, ”balance sheet mismatches & market
illiquidity”, ”exposure concentration”, ”misaligned incentives”, ”financial structure resilience”
(se ESRB, 2013, och ESRB, 2014a). ESRB:s fem mål har dessutom nyligen utökats med två
tilläggsmål: ”resilience” och ”financial cycle”. Jämfört med ESRB:s intermediära mål har vi valt
att exkludera ”misaligned incentives” då detta mål är svårt att kartlägga med hjälp av indikatorer. Vidare anser vi, i likhet med exempelvis BoC, 2014, att ”financial structure resilience”
egentligen avser sektorn finansiella marknader och därför låter vi denna ingå i den första sektor-dimensionen. Slutligen har vi valt att exkludera ESRB:s tilläggsmål då vi finner att de inte
tillför tillräckligt med meningsfull information utöver de redan existerande kategorierna.
5
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Figur 1: Sårbarhetsmatris
Kategori
Likviditet
Banker
S
e
k
t
o
r
Hushåll
Försäkring
Marknad
Fastighets‐
bolag
Soliditet
Exponering
Den slutliga grupperingen av sårbarheter redovisas i figur 1. Varje
ruta i figuren kan rymma information från flera sårbarhetsindikatorer.
Genom att väga samman indikatorerna i respektive fält presenteras en
övergripande gradering av sårbarheten i den sektorn eller kategorin.
Graderingen ges i form av en färgsignal, som beskrivs i nästa avsnitt.
Figur 1 ger en struktur åt sårbarhetsanalysen. Strukturen fungerar
såväl vid bedömningar som vid kvantitativ analys. Den här artikeln
går nu vidare med att använda grupperingen till att sammanfatta informationen i sårbarhetsindikatorer.
Urval av indikatorer och färgsignalering
Detta avsnitt beskriver hur indikatorurvalet går till och hur vi sätter de
tröskelvärden som bestämmer signalen från respektive indikator.
Eftersom det tar tid för vidtagna åtgärder att få effekt är det viktigt att
sårbarheterna identifieras i god tid. Ju tidigare åtgärder kan vidtas för
att dämpa sårbarheter, desto mindre dramatiska behöver dessa åtgärder också vara. Detta minskar i sin tur risken för att allt för kraftfulla
åtgärder i sig ska generera finansiell instabilitet. I vår urvalsprocedur
vill vi därför särskilt beakta indikatorernas ledande egenskaper, vilket
beskrivs i nästa avsnitt.
INDIKATORURVALET SKER MED STATISTISKA METODER
OCH BEDÖMNINGAR
Det finns naturligtvis ett stort antal potentiella sårbarheter. Det är
varken möjligt eller önskvärt att följa samtliga, varför vi gör ett urval.
För att begränsa antalet sårbarheter till en hanterbar mängd utgår vi i
ett första steg från de indikatorer som akademiska studier framhåller
och de som FI:s områden bevakar löpande.
De indikatorer vi valt ut sträcker sig olika långt tillbaka i tiden. Några
indikatorer, exempelvis hushållens skuldsättning, har vi observationer
på sedan före 90-talskrisen och andra, som till exempel NSFR, har vi
endast enstaka observationer av. Serielängden avgör hur vi kan hantera indikatorerna. I det andra steget genomförs därför statistiska test
på de indikatorer som inkluderar minst en krisperiod. Syftet med testen är delvis att utvärdera om indikatorn samvarierar med krisperioder
och delvis att skatta tröskelvärden för signalering. För de indikatorer
som inte passerar de statistiska testerna gör vi en ny bedömning, som
antingen resulterar i att indikatorn exkluderas eller inkluderas.
I det tredje steget sätts tröskelvärden. För de indikatorer som kan utvärderas på statistiskt väg ger testerna också tröskelvärden. För de
indikatorer där detta inte är möjligt sätts tröskelvärden genom expertutlåtande. Expertutlåtande används även när tester kan appliceras,
nämligen då det finns lagkrav (exempelvis LCR), när testerna genererar missvisande resultat (ROE lönsamhet) och där indikatorerna inte
passerar testerna men där de ändå bedöms viktiga (LTV).
STATISTISKA TEST
För att utvärdera en indikators statistiska egenskaper behöver vi definiera svenska krisperioder. Vi har valt att följa ESRB (2014b) och
ESRB (2015c), som identifierat krisperioder för ett antal europeiska
6
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Diagram 1: Uppdelning av indikatorn banklån till
hushåll i tre stickprov
(Årlig procentuell förändring)
Källa: SCB.
Anm. De vertikala strecken markerar första kvartalet i en
krisperiod. De mörkgrå fälten innehåller observationer mellan
tolv och fem kvartal före ett krisutbrott. De ljusgrå fälten visar
lugna perioder och de observationer som inte ligger i något av
de grå fälten bortses ifrån i den statistiska analysen.
länder.11 Enligt deras definition av en bankkris var kvartal 3 1990 –
kvartal 4 1993 och kvartal 3 2008 – kvartal 4 2010 svenska krisperioder.12,13
I den statistiska utvärderingen följer vi Laina m.fl. (2015) och Ferrari
och Pirovano (2015) och delar in respektive indikators utfall i tre
stickprov. Diagram 1 visar dessa stickprov för indikatorn banklån till
hushåll. Det första stickprovet består av observationer ett år före till
två år efter inledningen av en krisperiod. Dessa observationer avser en
pågående kris. Vi bortser därför ifrån dem eftersom en signal under en
kris inte är speciellt informativ; man vet trots allt när man befinner sig
i en kris. Att den pågående krisen även inkluderar observationer ett år
före krisen brutit ut beror på att indikatorernas framåtblickande egenskaper ska vara vägledande.
Det andra stickprovet består av observationer fem till tolv kvartal före
ett krisutbrott, det s.k. krissignaleringsdata. Resten av observationerna
hamnar i det tredje stickprovet som består av lugna perioder. Med
hjälp av krissignaleringsdata och de lugna perioderna sorterar vi respektive indikators observationer enligt tabell 1.
Tabell 1: Utvärderingsmatris
Krissignaleringsdata
Lugn period
Signal
ATr
BTr
Ingen signal
CTr
DTr
Anm. Med krissignalering avses här de indikatorobservationer som återfinns fem till tolv kvartal före ett krisutbrott. En indikatorobservation genererar en signal om dess tröskelvärde Tr överstigs. Antalet observationer av
typen ATr, BTr, CTr och DTr beror därför på vilket tröskelvärde som de utvärderas mot.
Det är önskvärt att en indikator signalerar att det blir kris när en kris
verkligen inträffar (ATr) och att den inte signalerar när det inte blir kris
(DTr). En bra indikator uppvisar också låg frekvens felaktiva signaler
(CTr och BTr). Genom att ställa andel korrekt signalerade kriser mot
felaktiga signaler kan vi beräkna den s.k. AUROC-statistikan.14 Om
AUROC överstiger 0,5 är indikatorn informativ, se bilaga 2 för mer
information om AUROC. Detta är vårt första statistiska test.
Det andra testet baserar sig på Ferrari och Pirovano (2015). I testet
beräknas ett konfidensintervall för krissignaleringsdata och ett konfi-
11 ESRB har i sin tur baserat sina krisperioder på ESCB Heads of Research (HoR) Group
databas över krisperioder (se Babecký m.fl., 2011, för mer information), som justerats på basis av expertomdömen.
12 Mer specifikt krävs att något av följande kriterier uppfylls: 1) problemkrediter överstiger 20%
eller att banktillgångar motsvarande minst 20% avvecklas, eller 2) fiskal rekonstruktion av
banker motsvarande minst 5% av BNP. Dessa kvantitativa kriterier kompletteras med kvalitativ information för att avgöra om en period bör klassificeras som en kris.
13 Ett flertal andra studier har också tagit fram krisperioder för Sverige (Alessi och Detken,
2009; Schularick och Taylor, 2012; Duprey, m.fl., 2014), men skillnaderna mellan de identifierade krisperioderna är i regel små. Undantaget är Alessi och Detken (2009) och Duprey, m.fl.
(2014) som även identifierar dotcom-bubblan runt milleniumskiftet som en kris. Detta beror
sannolikt på att dessa studier baseras på finansiell marknadsdata, medan de övriga två studierna inte gör det.
14 AUROC är en förkortning av Arean Under ”Receiver Operating Characteristics” kurvan.
ROC-kurvan visar sambandet mellan andelen felaktigt signalerade kriser, B/(B+D), mot andelen korrekta signaler, A/(A+C).
7
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Diagram 2: Konfidensintervall för banklån till
hushåll
(Årlig procentuell förändring)
Källa: SCB och FI.
Anm. Diagrammet illusterar Ferrari och Pirovanos (2015) test.
Den röda regionen visar konfidensintervallet baserat på
krissignaleringsdata och det gröna motsvarar intervallet för
lugna perioder. Sannolikhetsinnehållet i intervallen är i båda
fallen 95 procent. Eftersom krissignaleringsintervallet ligger
högre än intervallet för lugna perioder passerar indikatorn
testet.
densintervall för observationer under lugna perioder (se bilaga 2 för
detaljer). Dessa intervall visas i diagram 2.
Om höga värden på indikatorn är tecken på förhöjd sårbarhet ska konfidensintervallet för krissignaleringsdata överstiga konfidensintervallet
för de lugna observationerna. Däremot, om ett intervall omsluter det
andra eller om intervallet för lugna perioder ligger högre än intervallet
för krissignaleringsdata anses indikatorn inte vara användbar ur statistisk hänsyn. Detta är vårt andra test.
SÅRBARHETSBEVAKNING SKILJER SIG FRÅN ETT
KRISSIGNALSYSTEM
Syftet med ett krissignaleringssystem är att signalera att en kris är
förestående. Utmaningen med ett sådant system är att korrekt förutse
en kris i förväg – att signalera under pågående kris ger inget mervärde.
För att lyckas med det måste man identifiera en förhöjd såbarhet och
korrekt förutse att en relevant störning som aktiverar sårbarheten
kommer att ske. Detta är i praktiken mycket svårt, för att inte säga
omöjligt.
I stället för ett system för krissignalering har FI valt att identifiera
sårbarheter som håller på att byggas upp. Med andra ord, vi försöker
inte förutse om störningar kommer att inträffa som utlöser en krissituation. Det är därför helt möjligt att en indikator signalerar förhöjd
sårbarhet utan att en kris inträffar eller att en signal inte sammanträffar
med en kris. Detta gäller exempelvis före finanskrisen då flera
svenska indikatorer gav signaler, trots att krisen inleddes utanför Sverige.
Ur ett statistiskt perspektiv bygger ett krissignaleringssystem endast
på indikatorer som passerar de statistiska testerna. Det betyder att
indikatorer med korta tidsserier faller bort, eftersom testerna kräver att
minst en krisperiod ingår för att en indikator ska kunna utvärderas.
Slutligen, den statistiska utvärderingen utgår från (maximalt) två kriser. Nästa kris behöver inte alls likna någon av dessa. Genom att ensidigt utgå ifrån statistiska tester riskerar kan man paradoxalt nog att
öka risken för att missa att sårbarheter byggs upp.
Sårbarhetsbevakning grundar sig å andra sidan inte bara på indikatorer
som passerar de statistiska testerna utan expertutlåtanden blir även en
viktig del av utvärderingen. Detta gör det möjligt att inkludera både
indikatorer med korta tidsserier och indikatorer som inte visat sig vara
relevanta under de tidigare kriserna men som kan tänkas vara det
framöver.
TRÖSKELVÄRDEN OCH FÄRGSIGNALERING
Tröskelvärden för signalering
Tröskelvärden bestäms antingen på statistisk väg eller genom expertbedömningar. Detta avsnitt beskriver hur vi bestämmer tröskelvärden
på statistisk basis. Generellt prioriterar vi expertbedömningar eftersom
vi har tillgång till en begränsad data mängd vilket minskar precisionen
i de statistiska beräkningarna.
Vid varje tidpunkt vill vi representera indikatorn med en färg som
säger hur extrem indikatorn är. Om det är möjligt bestäms indikatorns
färgsignal av två skattade tröskelvärden:

8
om indikatorns uppmätta värde är mindre än tröskelvärde Tr1
sätts färgen grön
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Diagram 3: Färgsignalering av indikatorn banklån till hushåll enligt två ansatser
(Årlig procentuell förändring)
Den obetingade ansatsen för att bestämma tröskelvärden
Den obetingade ansatsen är enkel. De observationer som är lägre än
ett historiskt medelvärde visas med färgen grön och de observationer
som återfinns bland de 30 procent högsta historiska indikatorvärdena
tilldelas färgen röd. De observationer som ligger däremellan representeras av gul färg.15 Detta är samma tröskelvärden som ESRB använder
(se ESRB, 2015a).
Betingad ansats
Källa: SCB och FI.
Anm. Ljusgrå region motsvarar grönt intervall, mörkgrå intervallet för röda observationer och i regionen däremellan hittas
observationer i det gula intervallet.
Figur 2: Kombinerat färgschema
Obetingad
Hög sårbarhet
Förhöjd sårbarhet
Låg sårbarhet
om värdet är större än tröskelvärde Tr2 sätts rött och
om värdet återfinns mellan än Tr1 och Tr2 sätts färgen gul.
De olika indikatorerna vägs sedan samman för att fylla sårbarhetsmatrisen (figur 1).
Vi använder två statistiska ansatser för att skatta tröskelvärden. De två
ansatserna är samma som ESRB använder i sin värmekarta (se ESRB,
2015a).
Obetingad ansats
B
e
t
i
n
g
a
d


Den betingade ansatsen för att bestämma tröskelvärden
Ferrari och Pirovano (2015) kan inte bara användas som ett test (se
avsnitt statistiska test) utan kan även användas för att skatta tröskelvärden. Vi kallar denna tröskelvärdesansats för den betingade. Ansatsen bygger på indelningen som beskrivs i avsnittet statistiska test och
beskrivs mer utförligt i bilaga 2.
Vi beräknar konfidensintervall för medelvärdet i krissignaleringsdata
respektive lugna perioder på samma sätt som vid testet. De indikatorutfall som finns i konfidensintervallet för lugna perioder eller lägre
ges färgen grön. Vidare sätter vi färgen röd för de observationer som
ligger i eller över konfidensintervallet för krissignaleringsdata. Om de
uppskattade konfidensintervallen överlappar varandra ges färgen gul
för de observationer som finns i båda intervallen. När intervallen inte
överlappar ger vi gul färg till de observationer som återfinns mellan de
två konfidensintervallen.
Den betingade ansatsen kan tyckas rimligare, men den obetingade
metoden motiveras av att nästa kris kan vara olik de tidigare.
Färgsignalering
Diagram 3 visar färgsignalering från de båda ansatserna. I den obetingade ansatsen ges färgerna av percentiler i data och i den betingade
ansatsen av de skattade konfidensintervallen.
Precis som ESRB använder vi en kombination av de databaserade
ansatserna för att sätta de slutliga färgerna för respektive indikatorobservation. Kombinationen av de två ansatserna ger ett femgradigt
färgschema (figur 2).
Om en indikatorserie är för kort för att inkludera någon kris eller om
indikatorn har för få krisobservationer (gäller indikatorer på årsbasis)
kan ibland den obetingade ansatsen användas – vilken ger tre färger:
grön, gul och röd. Vi använder också tre färger när tröskelvärden sätts
genom expertbedömning.
15 Denna tröskelvärdesuppsättning gäller för sårbarhetsindikatorer där höga nivåer är tecken
på hög sårbarhet. Om i stället låga nivåer anses indikera hög sårbarhet så gäller grön färg om
värdet är över medelvärdet, rött om värdet är bland de 30 procent lägsta och gul däremellan.
9
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
INDELNING I UNDERGRUPPER GER EN BÄTTRE BALANS I
REDOVISNINGEN
De statistiska testerna och bedömningarna ger en uppsättning användbara indikatorer med individuella tröskelvärden, som i sin tur genererar färgsignaler. Sedan återstår att aggregera dessa signaler till klassificeringen i figur 1. En direkt aggregering av alla indikatorer i en sektor/kategori kan dock leda till att vissa sårbarheter får för hög vikt.
Detta illustreras enklast med ett exempel. Anta att vi har fyra soliditetsindikatorer som avser kapitaltäckning och en som avser lönsamhet.
Om vi ger alla indikatorer samma vikt kommer kapitaltäckning att stå
för 80 procent av aggregatet och lönsamhet för 20 procent. I sammanställningen vill vi dock att kapitaltäckning och lönsamhet ska vara lika
viktiga, och därför delar vi in indikatorerna i undergrupper. I exemplet
bildar kapitaltäckningsindikatorerna en undergrupp och lönsamhet en
undergrupp, trots att den senare är en ensam indikator. Slutligen aggregerar vi undergrupperna, med lika vikt, till det som redovisas i en
cell i figur 1. Om inga undergrupper finns ges istället de ingående
indikatorerna lika vikt.
Aggregeringen i figur 1 kan ske på flera sätt – den mest förekommande färgen, medianfärgen, medelfärgen eller den betydelseviktade
medelfärgen – är några exempel.16 Vi har valt att använda oss av medelfärgen.
Signaler från sårbarhetsindikatorerna,
andra kvartalet 2015
Det slutliga datamaterialet beskrivs i bilaga 1. Urvalet ska ses som den
aktuella selektionen – nya indikatorer kommer att tillkomma medan
andra indikatorer kan komma att falla bort. Tabell 2 och 3 redovisar
hur indikatorerna delats in i kategorier (huvudkategori och underkategori om sådan finns), vilken transformation som genomförts (nivå
eller årstillväxttakt) och skattad AUROC-statistika. Tabellerna visar
också vilken metod som använts för att bestämma tröskelvärdet (obetingad, betingad eller bedömning), samt hur många färger som ingår i
skalan för respektive indikator.
Hushållsindikatorerna sträcker sig i regel långt tillbaka i tiden och där
kan vi skatta tröskelvärden med hjälp av både den obetingade och den
betingade ansatsen. Tröskelvärdet för sparkvoten har vi bestämt genom den obetingade ansatsen då vi bara har data på årsbasis vilket ger
för få krisobservationer för att den betingade ansatsen ska kunna tilllämpas. Samtliga indikatorer för hushållssektorn visar en AUROC
över 0,5, vilket är huvudkriteriet, utom belåningsgrad (LTV). LTV
inkluderas ändå eftersom den är av central betydelse.
Bankindikatorerna är i regel korta och de kan inte utvärderas på statistisk basis, varför tröskelvärdena bestäms genom bedömning. Undantaget är de två kreditindikatorerna (KreditgapIF, BanklånIF) där vi har
data från tidigt 80-tal och kan använda både den betingade och den
obetingade ansatsen. Kärnbruttosoliditet har vi även en tillräckligt
lång tidsserie på för att kunna sätta tröskelvärden med den obetingade
metoden.
Med några undantag för exponeringsundergrupperna koncentration
och kredit lägger vi fokus på de fyra storbankerna (se bilaga 1). Ef16 En betydelseviktad medelfärg innebär att man bedömningsmässigt ger olika indikatorer olika
hög vikt.
10
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
tersom alla storbankerna är systemviktiga räcker det med att en bank
får problem för att hela systemet ska vara hotat. Detta skulle kunna
motivera att indikatorn för den svagaste av de fyra bankerna används.
Vi väljer dock generellt att beräkna ett medelvärde av de fyra bankerna eftersom detta bättre fångar den representativa storbanken. Undantaget är ÖverskB och LCR som är förenade med lagkrav där vi valt att
vara mer restriktiva och använder den svagaste storbanken. Bilaga 3
visar skillnaderna mellan att använda medelvärdet och den svagaste
banken.
Tabell 2: Indikatorer för banksektorn
Tröskelvärden
Indikator
Kat.
U-K
Transf.
AUROC
Obet
Bet
Bedömn
Färger
ÖverskB
S
Kapital
Nivå
–
KärnBrutSol
S
Kapital
Nivå
–
X
3
ROE lön
S
Lönsamhet
Nivå
–
NSFR tot
L
NSFR
Nivå
–
X
3
LCR usd
L
LCR
Nivå
–
X
3
LCR eur
L
LCR
Nivå
–
X
3
X
3
X
3
LCR tot
L
LCR
Nivå
–
X
3
KoncTillg
E
Konc.
Nivå
–
X
3
KoncVP
E
Konc.
Nivå
–
Kredit-
E
Kredit
Nivå
0,78
X
X
5
E
Kredit
Y/Y
0,87
X
X
5
X
3
gap_IF
Banklån_IF
LånKomF
E
Kredit
Y/Y
–
X
3
CDS
E
Ospecifik
Nivå
–
X
3
CDS spread
E
Ospecifik
Nivå
–
X
3
Nivå
1
X
5
Risk
Risk
ROE risk
E
Ospecifik
Risk
Anm. Indikatorerna kan tillhöra sårbarhetskategorierna soliditet (S), likviditet (L) eller exponering (E). De kan
även tillhöra ett antal underkategorier (U-K). Indikatorerna används antingen i nivå eller som en årstillväxttakt
(Y/Y). Tröskelvärden kan bestämmas genom den obetingade ansatsen, den betingade ansatsen eller genom en
bedömning. Antal färger som används är en funktion av vilken eller vilka ansatser som använts (se avsnitt
färgsignalering). En utförlig genomgång av indikatorerna ges i bilaga 1.
11
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Tabell 3: Indikatorer för hushållssektorn
Tröskelvärden
Indikator
Kat.
U-K
Transf.
AUROC
Obet
Bet
Bedöm
Färger
LTV
S
–
Nivå
0,35
X
X
5
Skuld/Till
S
–
Nivå
0,60
X
X
5
LTI
L
–
Y/Y
0,76
X
X
5
Sparkvot
L
–
Nivå
–
X
Räntekvot
L
–
Nivå
0,51
X
X
5
3
Kredit-
E
Kredit
Nivå
0,86
X
X
5
E
Kredit
Y/Y
0,93
X
X
5
BoRättSt
E
Bopris
Y/Y
0,91
X
3
Villapriser
E
Bopris
Y/Y
0,95
X
5
gap_HH
Banklån_HH
X
Anm. Se bilaga 1 för utförligare information om indikatorerna.
Figur 3 och 4 visar skattade värmekartor för hushållsindikatorerna
respektive för bankindikatorerna. Vi gör ingen komplett sårbarhetsbedömning här eftersom det ligger utanför artikelns omfång.
För banksektorn i figur 3 finns det bara två indikatorer som går tillbaka innan 90-talskrisen, nämligen de båda som avser krediter till
icke-finansiella företag (KreditgapIF, BanklånIF). Båda dessa visar
hög sårbarhet åren före 90-talskrisen och signalerade även förhöjd
sårbarhet före finanskrisen. Vi har även data för kärnbruttosoliditet
och avkastning på eget kapital (ROE) före finanskrisen. Kärnbruttosoliditeten visar på hög sårbarhet medan ROE inte gör det.
Figur 3: Värmekarta för banksektorns indikatorer 1987–2015
Källa: FI.
Anm. Översta och understa raden i värmekartan visar krisperiod enlig klassificering av ESRB (2014b).
I figur 4 signalerar många indikatorer gult eller rött innan krisperioderna, vilket är i linje med vår ambition att försöka hitta indikatorer
med ledande egenskaper. Indikatorerna visar att sårbarhetsuppbyggnaden i hushållssektorn var allvarligare före 90-talskrisen än före finanskrisen. Det resultatet är rimligt eftersom den senaste krisen i hu-
12
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
vudsak inte var av inhemsk karaktär, medan den förra var det. Just nu
signalerar de flesta indikatorerna att motståndskraften är god.
Figur 4: Värmekarta för hushållssektorns indikatorer 1987–2015
Källa: FI.
Anm. Se anmärkning till figur 3.
Figur 5 aggregerar signalerna från indikatorerna i figur 3 och 4 utifrån
huvudkategorierna: soliditet, likviditet och exponering. Solidideten i
det svenska banksystemet bedöms vara motståndskraftig – signalen är
grön. Skälet till detta är höga kapitalbuffertar, både i förhållande till
FI:s krav (ÖverskB) och i absoluta tal (KärnBrutSol). Däremot är
bankernas sårbarhet avseende likviditet förhöjd. Likviditetstäckningsgraden (LCR) ska enligt lagkrav vara större än 1 och dessa indikatorer
visar som (under)grupp låg sårbarhet. Däremot visar signalerna från
bankernas tillgång till stabil finansiering (NSFR) att sårbarheten är
hög. I exponeringskategorin finns det tre undergrupper som ska vägas
samman med lika vikt: koncentration, kredit och den ospecifika riskgruppen. Det svenska banksystemet är koncentrerat till ett fåtal stora
banker, vilket innebär att underguppen koncentration signalerar förhöjd sårbarhet. Delvis vägs detta upp av en måttlig kredittillväxt till
den icke-finansiella sektorn och till fastighetssektorn, trots att kreditgapet för icke-finansiella företag visar en förhöjd sårbarhet. Den tredje
undergruppen innehåller ospecifika risker. Låga CDS-spreadar i absoluta tal men också i förhållande till ett branschgenomsnitt signalerar
låg riskuppbyggnad. Slutligen har vi även inkluderat ROE även här i
syfte att mäta riskuppbyggnad. Studier har visat att hög ROE innebär
högre risktagande vilket ökar sannolikheten för en bankkris (Behn
m.fl., 2013). Inte heller denna indikator visar någon ökad riskuppbyggnad och det övergripande resultatet för exponering blir något
förhöjd (gulgrön).
Figur 5: Sammanfattande värmekarta för andra kvartalet 2015
Kategori
S
e
k
t
o
r
Soliditet
Likviditet
Exponering
Hög sårbarhet
Banker
Förhöjd sårbarhet
Hushåll
Låg sårbarhet
Källa: FI.
13
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Sårbarheterna i hushållssektorn ger sammantaget samma budskap som
de för banksektorn, men fördelningen över de olika kategorierna är
annorlunda. Den högsta skattade sårbarheten – förhöjd sårbarhet (gul)
– finner vi i exponeringskategorin. Fastighetsägande utgör en viktig
del av hushållens förmögenhet, vilket gör hushållen känsliga för prisförändringar. När fastighetspriserna ökar mycket kan det vara tecken
på att priserna avviker från deras fundamentala värdering, vilket i
förlängningen kan leda till stora prisfall. Det är sådana fastighetsprisfall som kan leda till påfrestningar för hushållen och i värsta fall till en
konjunktursvacka. Fastighetspriserna växer för tillfället i snabb takt
och därför visar dessa indikatorer rött. Det skattade kreditgapet för
hushållen visar förhöjd sårbarhet medan tillväxttakten i banklånen inte
gör det – åtminstone relativt de tillväxttakter som observerades före
tidigare kriser.
Hushållens soliditet visar något förhöjd sårbarhet (gulgrön) vilket ska
tolkas som god motståndskraft. Sett över alla hushåll är belåningsgraden (LTV) relativt låg.17 Dessutom visar totala skulder över totala
tillgångar lika god motståndskraft som belåningsgraden (Skuld/Till).
När det kommer till hushållens likviditet visar indikatorerna sammantaget grönt – låg sårbarhet. Det höga sparandet (Sparkvot) och de låga
räntekostnaderna relativt de disponibla inkomsterna (Räntekvot) bidrar till hushållens goda likviditetssituation. Den tredje likviditetsindikatorn, lån i förhållande till disponibel inkomst (LTI), uppvisar en låg
sårbarhet – grön. Vi använder LTI i årlig procentuell förändring, och
tillväxten i LTI är inte hög ur ett historiskt perspektiv.18
17 Det är inte bara den genomsnittliga belåningsgraden som kan utgöra en sårbarhet, fördelningen är också viktig. Det är dock inget vi studerat i detta initiala skede.
18 FI (2013) redogör för ett antal faktorer som förklarar en stor andel av nuvarande LTI nivå.
Dessa faktorer hänger bl.a. samman med ombildningen av hyresbostäder till bostadsrätter
och ändrad skattelagstiftning. Dessa faktorer utgör i sig inget hot mot finansiell stabiliteten,
vilket illustrerar problematiken med att utgå från nivån på LTI.
14
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Referenser
Alessi, L. och C. Detken (2009), “Real time early warning indicators
for costly asset price boom/bust cycles: A role for global liquidity”,
ECB Working paper series, Nr. 103.
Babecký, J., T. Havránek, J. Matějů, M. Rusnák, K. Šmídková och B.
Vašíček (2011), “Early Warning Indicators of Economic Crises: Evidence from a Panel of 40 Developed Countries”, Czech Nation Bank
Working Paper Series, Nr. 8.
Beck, T., B. Buyukkarabacak, F. K. Rioja och N. T. Valev (2012),
“Who gets the credit? And does it matter? Household vs. firm lending
across countries”, B.E. Journal of Macroeconomics, Vol. 12(1).
Behn, M., C. Detken, T. Peltonen och W. Schudel (2013), ”Setting
countercyclical capital buffers based on early warning models: Would
it work?”, ECB Working Paper Series, Nr. 1604.
Berkmen, P., G. Gelos, R. Rennhack, och J. Walsh (2009), “The
Global Financial Crisis: Explaining Cross-Country Differences in the
Output Impact”, IMF Working Papers, Nr. 280.
Büyükkarabacak, B. och N.T. Valev (2010), “The role of household
and business credit in banking crises”, Journal of Banking and Finance, Vol. 34(6), s. 1247-1256.
BoC (2014), ”Financial System Review”, Bank of Canada, jun.
BoE (2104), ”The Financial Policy Committee’s power to supplement
capital requirements – A policy statement”, Bank of England, jan.
Borio, C. och P. Lowe (2002), “Assessing the risk of banking crises”,
BIS Quarterly Review, s. 43-54.
Borio, C. och M. Drehmann (2009), “Assessing the risk of banking
crises – revisited”, BIS Quarterly Review, mar, s. 29-46.
Drehmann, M., C. Borio, L. Gambacorta, G. Jiminez och C. Trucharte
(2010), “Countercyclical capital buffers: exploring options”, BIS
Working Paper Series, Nr. 317.
Drehmann, M. och M. Juselius (2012), “Do debt service costs affect
macroeconomic and financial stability?”, BIS Quarterly Review, sep.
Duprey, T., B. Klaus och T. Peltonen (2014), “Dating Systemic Financial Stress Episodes in the EU Countries”, arbetspapper.
ECB (2014), “ECB Risk Analysis Report”, återkommande rapport.
15
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
ESRB (2013), “Recommendation of the European Systemic Risk
Board of 4 April 2013 on intermediate objectives and instruments of
macro-prudential policy”, ESRB/2013/1.
ESRB (2014a),”Flagship Report on Macro-Prudential Policy in the
Banking Sector”, ESRB, arbetspapper, mar.
ESRB (2014b), “Operationalising the countercyclical capital buffer:
indicator selection, threshold indentification and calibration options”,
ESRB Occasional Paper Series, Nr. 5, jun.
ESRB (2014c), “Handbook on Operationalising Macro-prudential
Policy in the Banking Sector”.
ESRB (2015a), “Heat maps by intermediate objective - Note on methodology and data”, ESRB, Task force on heat maps, arbetspapper, jan.
ESRB (2015b), “A Framework for the Systemic Risk Assessment
Process at ESRB level”, ESRB, AWG, arbetspapper, mar.
ESRB (2015c), “Identifying early warning indicators for real estate
related banking crises”, ESRB Occasional Paper Series, forthcoming.
EU-com (2012), “Scoreboard for the suveillance of macroeconomic
imbalances”, European Commission, Occasional Paper Series, Nr. 92,
feb.
Ferrari, S. och M. Pirovano (2015), “Early warning indicators for bank
crises: a conditional moments approach”, University Library of Munich, Munich Personal RePEc Archive Paper, Nr. 62406.
FI (2013), “PM 1 – Förklaringar till utvecklingen av hushållens
skuldsättning sedan mitten av 1990-talet”, Finansinspektionen, promemoria, okt.
FI (2014a),”Finansinspektionen och finansiell stabilitet”, Finansinspektionen, promemoria, dec.
FI (2014b), ”Stabiliteten i det finansiella systemet”, Finansinspektionen, promemoria, juni.
Frankel, J. and G. Saravelos (2010), “Can Leading Indicators Assess
Country Vulnerability? Evidence from the 2008-09 Global Financial
Crisis”, Harvard Kennedy School, arbetspapper.
Hollo, D., M. Kremer, och M. Lo Duca (2012), “CISS - a composite
indicator of systemic stress in the financial system”, ECB Working
Paper Series, Nr. 1426, mar.
16
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
IMF (2014), “Staff guidance note on macroprudential policy”, International Monetary Fund, dec.
Johansson, T. och F. Bonthron (2013), “Vidareutveckling av indexet
för finansiell stress för Sverige”, Sveriges riksbank, Penning- och
valutapolitik 2013:1.
Juks, R. och O. Melander (2012), “Countercyclical capital buffers as a
macroprudential instrument”, Riksbank Studies, dec.
Kiyotaki, N. och J. Moore (1997), “Credit Cycles”, Journal of Political Economy, 105, s. 211-248.
Laina, P., J. Nyholm och P. Sarlin (2015), ”Leading indicators of systemic banking crisis: Finland in a panel of EU countries”, ECB Working Paper Series, Nr. 1758.
Mian, A. och Sufi, A. (2009), “The consequences of mortgage credit
expansion: evidence from the US mortgage default crisis”, Quarterly
Journal of Economics, Nr. 124, s. 1449-96.
Mian, A. and A. Sufi (2011), “House prices, home equity-based borrowing and the US household leverage crisis”, American Economic
Review, Nr. 101, s. 2132–56.
Repullo, R. och J. Saurina (2011), “The countercyclical capital buffer
of Basel III: A critical assessment”, CEPR Discussion Papers Series,
Nr. 8304.
Schularick, M. och A.M. Taylor (2012), “Credit booms gone bust:
monetary policy, leverage cycles and financial crises, 1870–2008”,
American Economic Review, 102 (2), s. 1029-1061.
17
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Bilaga 1: Valda indikatorer
BANK
Indikator
Kategori
Under-
ÖverskB
Soliditet
kategori
Kapital
KärnBrutSol
Soliditet
Kapital
ROE lön
Soliditet
Lönsamhet
LCR
Likviditet
LCR
NSFR
Likviditet
NSFR
Kreditgap
IF
Exponering
Kredit
Banklån
IF
Exponering
Kredit
LånKomF
Exponering
Kredit
CDS
Exponering
Exponering
Ospecifik
Risk
Ospecifik
Risk
Exponering
Ospecifik
Risk
CDS
spread
ROE risk
18
Beskrivning
Motivering
Kärnprimärkapital, utöver
kärnprimärkapitalkravet, i
förhållande till
kapitalbasen.
Kärnprimärkapital i relation
till justerade
totala tillgångar.
Totala tillgångar
inkluderar bl.a.
poster utanför
balansräkningen.
Indikatorn är justerad
för den inneboende
risken i bankens verksamhet då kapitalet
relateras till kapitalkravet.
Barrell m.fl. (2010);
Behn m.fl. (2013);
Sarlin och Peltonen
(2013).
Tillräcklig
likviditetsreserv
för att klara av
stressade förhållanden. USD,
EUR och total
valutaexponering ingår.
Stabil upplåning
i förhållande till
illikvida tillgångar. Bara
total ingår.
Krediter till icke
finansiella
företag i förhållande till BNP,
mätt som avvikelse från sin
HP trend.
Tillväxttakten i
kreditgivning
till icke-fin.
företag.
Lån till kommersiella fastighetsbolag (årstillväxt) i förhållande till total
utlåning.
5 årig CDS,
senior, EUR.
CDS minus
iTraxx european, financials,
senior, 5 år,
EUR.
Avkastning på eget
kapital är ett centralt
mått för att beskriva
lönsamheten i en bank.
ESRB (2014c).
Borio och Lowe (2002);
Borio och Drehmann
(2009); Drehmann m.fl.
(2010); Alessi och
Detken (2011); Juks och
Melander (2012); ESRB
(2014b).
Fastighetskrediter har
inneburit höga förluster
och har varit delaktiga
till kriser. Denna typ av
exponering innebär
därför en förhöjd risk.
Hög ROE indikerar ökat
risktagande. Se Behn
m.fl. (2013).
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Indikator
Kategori
Under-
KoncTillg
Exponering
kategori
Koncentration
KoncVärdP
Exponering
Koncentration
Beskrivning
Mäter hur koncentrerad banksystemet är
baserat på de
20-30 största
bankerna. Herfindahl index
beräknat på
bankernas andel
av totala tillgångar.
Mäter hur koncentrerad banksystemet är
baserat på de
20-30 största
bankerna. Herfindahl index
beräknat på
bankernas andel
av totala värdet
av utestående
skuldinstrument.
Motivering
Är en av de indikatorer
som ingår i undergruppen sammanlänkning
enligt EBA/GL/2014/
som används vid beräkning av systemviktighet.
19
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
HUSHÅLL
20
Indikator
Kategori
Under-
Beskrivning
Motivering
LTV
Soliditet
kategori
Kapital
Lån i förhållande
till värde bostadsvärde - samtliga
hushåll.
Hushållens aggregerade skulder i
förhållande till
aggregerade tillgångar (finansiella
och reala).
Lån i förhållande
till disponibel
inkomst - samtliga
hushåll.
Sparande (exkl.
tjänste- och premiepensioner) i
förhållande till
disponibel inkomst.
Räntekostnader i
förhållande till
disponibel inkomst.
Krediter till hushåll i förhållande
till BNP, mätt som
avvikelse från sin
HP trend.
Kiyotaki och Moore
(1997), ESRB
(2014c).
Skuld/Till
Soliditet
Kapital
LTI
Likviditet
–
Sparkvot
Likviditet
–
Räntekvot
Likviditet
–
Kreditgap_HH
Exponering
Kredit
Banklån_HH
Exponering
Kredit
Tillväxttakten i
bankernas kreditgivning till hushåll.
BoRättSt
Exponering
Bopriser
Villapriser
Exponering
Bopriser
Den reala årstillväxttakten i
HOX:s underindex
bostadsrätter i
Stockholm.
Den reala årstillväxttakten i FPI
indexet.
Drehmann och Juselius (2012); IMF
(2014).
Litteratur som stöder
kreditgapet generellt:
Borio och Lowe
(2002); Borio och
Drehmann (2009);
Drehmann m.fl.
(2010); Alessi och
Detken (2011); Juks
och Melander (2012);
ESRB (2014b)
Litteratur som stöder
att skuldbördan hos
specifikt hushåll är en
viktig faktor:
Mian och Sufi (2009,
2011); Büyükkarabacak m.fl. (2010);
Beck m.fl. (2012).
Berkmen m.fl.
(2009); Frankel och
Saravelos (2010);
Beck m.fl. (2012);
EU-com (2012);
ESRB (2014c)
Tillväxttakt i hh
krediter:
Repullo och Saurina
(2011); Schularick
och Taylor (2012).
Borio och Drehmann
(2009); ESRB
(2015a); Laina m.fl.
(2015).
Borio och Drehmann
(2009); ESRB
(2015a); Laina m.fl.
(2015).
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Diagram 2.1: Uppdelning av indikatorn banklån
till hushåll i tre stickprov
(Årlig procentuell förändring)
Källa: SCB.
Anm. De vertikala strecken markerar första kvartalet i en
krisperiod. De mörkgrå fälten innehåller observationer mellan
tolv och fem kvartal före ett krisutbrott. De ljusgrå fälten visar
lugna perioder och de observationer som inte ligger i något av
de grå fälten bortses ifrån i den statistiska analysen.
Bilaga 2: Statistiska tester och tröskelvärden
Processen bakom hur indikatorer väljs ut beskrivs i huvudtexten. Vi
har gjort ett urval av indikatorer från en stor mängd tänkbara sårbarheter. Vissa av indikatorerna består av endast ett fåtal observationer
och där bedömer vi de tröskelvärden som används för att signalera
förhöjd sårbarhet (gul) och hög sårbarhet (röd). Om indikatorerna
sträcker sig längre tillbaka i tiden – åtminstone från 2005 – kan vi
testa om de har information om kommande kriser. Om indikatorerna
passerar testerna ger dessa även tröskelvärden.
Gemensamt för de statistiska testerna är att de mäter sambandet mellan en indikator och kriser. För en sårbarhetsindikator är det dock inte
självklart att testerna korrekt identifierar sambandet. Det kan finnas
samband som testerna inte upptäcker, vilket kan bero på att det inte
inträffat en relevant störning under mätperioden. Det kan även vara så
att ett samband hittas trots att det egentligen inte finns. Detta inträffade före finanskrisen. Flera indikatorer gav då signaler trots att krisen
inleddes utanför Sverige. Vissa av dessa signaler kan ha kommit från
sårbarheter som inte hade något med att utlösa själva krisen. Detta
betyder att testerna per automatik inte ger de indikatorer som ska inkluderas i analysen. Testerna behöver ibland kompletteras med bedömningar.
EN UPPDELNING AV INDIKATOROBSERVATIONERNA I TRE
STICKPROV
Den statistiska undersökningen bygger på att indikatorerna antas bete
sig olika före en kris och under lugna perioder. För detta behöver vi
först definiera krisperioder. Vi följer ESRB (2014b) och ESRB
(2015c) som definierat kvartal 3 1990 – kvartal 4 1993 och kvartal 3
2008 – kvartal 4 2010 som svenska krisperioder.
Varje indikator delas in i tre stickprov, se diagram 2.1 där indikatorn
för bankernas utlåning till hushåll används som exempel. Det första
stickprovet består av observationer ett år före till två år efter inledningen av en krisperiod. Dessa observationer bortses från vid tester
och tröskelvärdesbestämning. Observationer under och strax efter en
kris är inte är speciellt informativa; man vet trots allt när man befinner
sig i en kris. Att vi även bortser från observationer ett år före krisen
beror på att indikatorernas framåtblickande egenskaper ska vara vägledande för tröskelvärdena.
Det andra stickprovet rymmer de observationer som ligger fem till
tolv kvartal före ett krisutbrott, s.k. krissignaleringsdata. Resten av
observationerna hamnar i ett tredje stickprov som definieras av lugna
perioder.
Med hjälp av krissignaleringsdata och de ”lugna” observationerna
sorterar vi respektive indikators observationer enligt tabell 2.1.
Tabell 2.1: Utvärderingsmatris
Kris
Lugn period
Signal
ATr
BTr
Ingen signal
CTr
DTr
Anm. Med kris avses här de indikatorobservationer som återfinns tolv till fem kvartal före ett
krisutbrott. En indikatorobservation genererar en signal om tröskelvärde Tr överstigs. Antalet
observationer av typen ATr, BTr, CTr och DTr beror därför på tröskelvärdet.
21
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Diagram 2.2: Olika tröskelvärden för indikatorn
bankernas utlåning till hushåll
(Årlig procentuell förändring)
Källa: SCB.
Anm. I diagrammet har vi satt tröskelvärden till 10, 15 och 20.
Notera att observationer just före och under kriserna är exkluderade i detta diagram jämfört med diagram 2.1.
Diagram 2.3: ROC-kurva baserad på olika
tröskelvärden på indikatorn bankernas utlåning
till hushåll
(Relativa frekvenser)
Källa: SCB.
Anm. I diagrammet har vi markerat de tre tröskelvärdena i
diagram 2.2 med cirklar. Den streckade linjen ger punkter där
EN TESTSTATISTIKA BASERAD PÅ EGENSKAPER FÖRE
EN KRIS
Tabell 2.1 ger ett test för informationsinnehållet i respektive indikator.
ATr, BTr, CTr och DTr är observerade frekvenser för tröskelvärde Tr. ATr
och CTr är krissignaleringsdata som vi definierat ovan och BTr och DTr
är observationer i lugna perioder. Diagram 2.2 visar tre hypotetiska
tröskelvärden för tillväxttakten i bankernas utlåning till hushållen. Om
vi exempelvis sätter tröskelvärdet till 15 får vi frekvenserna A15=11,
B15=0, C15=13 och D15 =87.
Det är önskvärt att frekvensen ATr är hög relativt CTr, och DTr hög
relativt BTr. Transformationerna ATr/(ATr+CTr) och BTr/(BTr+DTr) visar
hur observationerna i krissignaleringsdata fördelas och kallas för sann
positiv andel (SPA) respektive falsk positiv andel (FPA). Olika tröskelvärden ger olika frekvenser och därmed olika SPA och FPA. ”Receiver operating characteristics” (ROC) kurvan visar SPA (Y-axel)
och FPA (X-axel) för olika tröskelvärden, se diagram 2.3. Vid ett
tröskelvärde på 15 blir SPA 0,45 och FPA 0 vilket motsvaras av en
punkt på ROC-kurvan. Om tröskelvärdet sätts lägre (exempelvis till
10) blir SPA och FPA högre.
Om ytan under ROC-kurvan, AUROC, överstiger 0,5 innebär det att
indikatorn ger en högre andel korrekta signaler än inkorrekta (SPA >
FPA över olika tröskelvärden), dvs. indikatorn har information om
kommande kriser. Även om vi inte söker efter krissignaler använder vi
denna information för att testa om indikatorn kan användas för att
påvisa sårbarhetsuppbyggnad. Detta är vårt första test.
TVÅ KONFIDENSINTERVALL SOM TEST
Uppdelningen av observationerna i krissignaleringsdata och lugna
perioder kan även användas på ett mer direkt sätt, nämligen för att
beräkna konfidensintervall för respektive period. Intervallen skattas
genom en regression:
falsk positiv andel och sann positiv andel är lika.


,
där är en sårbarhetsindikator vid tidpunkt t och =1 om observat1 är en
ionen tillhör krissignaleringsdata och 0 annars.
indikatorserie som är 1 för observationer i lugna perioder och annars
0. Slumptermen innehåller variation i som är gemensam för krisoch lugna observationer. Regressionsekvationen motiveras av att den
kan separera information i indikatorn som beror av kriser från det som
inte beror av kriser.19 Dessutom medger regressionen att osäkerheten i
parameterskattningarna kan beräknas med en bootstrap-procedur.20 Vi
skattar ett konfidensintervall för krissignaleringsdata genom ett konfidensintervall för  . Motsvarande konfidensintervall för lugna perioder ges av ett intervall för  . Ferrari och Pirovano (2015) beskriver
denna ansats i detalj.
Konfidensintervallen gör det möjligt för oss att dra slutsatser om indikatorn. Vi anser att indikatorn är informativ om inget konfidensintervall omsluter det andra och konfidensintervallet för krissignalerings19 I ekvationen är residualerna ”gemensamma”. Ekvationen kan utökas till att omfatta förklarande variabler som är gemensamma för alla observationer.
20 Bootstrap-procedurer används i små stickprov när den asymptotiska fördelningen inte är
känd eller applicerbar.
22
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
data inte ligger under konfidensintervallet för den lugna perioden.21
Detta är vårt andra test.
BETINGADE ANSATSER FÖR ATT SÄTTA
TRÖSKELVÄRDEN
Frekvenserna i tabell 2.1 kan användas för att beräkna en förlustfunktion
. Denna förlustfunktion väger ihop de två felsignaler indika) och inte signalera
torn kan ge – signalera kris som inte kommer (
en kris ( ) som faktiskt inträffar:
θ
1
θ
där P1 och P2 definieras som:
,
1
.
Förlustfunktionen består av en viktningsparameter θ, observerade
andelar av fel av typ I, CTr /(ATr+CTr), och typ II, BTr/(BTr+DTr), och
den obetingade sannolikheten för kris . Vikten θ ligger mellan 0 och
1 och anger relativa vikten för de olika felen i förlustfunktionen. Om
typ I-felen bedöms allvarligare än typ II-felen sätts θ till större än 0,5.
Den obetingade sannolikheten för kris ges av andelen observationer i
krissignaleringsdata. Det skattade tröskelvärdet är det som minimerar
förlustfunktionen, se Laina m.fl. (2015).
Ferrari och Pirovanos procedur syftar också till att bestämma tröskelvärden. Vi låter den övre gränsen i konfidensintervallet för den lugna
perioden utgöra ett tröskelvärde – indikatorutfall i intervallet eller
lägre ges färgen grön. Vidare låter vi den undre gränsen i konfidensintervallet för krissignaleringsdata utgöra ett andra tröskelvärde och
observationer i detta intervall eller högre ger vi färgen röd. Om de
skattade konfidensintervallen överlappar varandra ges färgen gul för
de observationer som finns i båda intervallen. När intervallen inte
överlappar ger vi gul färg till de observationer som finns mellan de två
konfidensintervallen.
Figur 2.1 visar värmekartor baserade på förlustfunktions- och konfidensintervallansatsen. Ansatserna ger likartade historiska signaler. Vi
har valt att använda konfidensintervallansatsen för att den är mer intuitiv. Förlustfunktionsansatsen bygger på en optimering över tröskelvärdet och kräver att relativ betydelsen mellan fel av typ I och II
måste specificeras. Dessutom föredrar vi att konfidensintervallansatsen ger tre signaler jämfört med förlustfunktionsansatsens två.
21 Resonemanget bygger på att höga nivåer på sårbarhetsindikatorer är tecken på hög sårbarhet.
23
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Figur 2.1: Värmekartor för betingade ansatser
Förlustfunktionsansatsen
Konfidensintervallansatsen
Anm. Båda värmekartorna är skattade i realtid, dvs. ingen information bortom respektive tidpunkt har används
vid skattning och signalering. Där det saknas färger i diagrammen har AUROC respektive konfidensintervalltesten förkastat att indikatorn är användbar.
EN OBETINGAD ANSATS FÖR ATT SÄTTA
TRÖSKELVÄRDEN
Vi använder även en ansats som inte beror på tidigare kriser – den
obetingade ansatsen. Motiveringen till den obetingade ansatsen är att
nästa kris inte behöver likna någon av de tidigare kriserna.
I den obetingade ansatsen ges färgen grön till de observationer som
ligger under indikatorns historiska genomsnitt och rött till de observationer som ligger bland de 30 procent högsta. Observationer däremellan ges färgen gul. Denna indelning följer den färgsättning som ESRB
använder.
EN KOMBINERAD ANSATS FÖR ATT SÄTTA FÄRGER
Där vi använder båda statistiska ansatserna för signalbestämning behöver vi kombinera dessa till ett färgschema. Vi gör detta enligt figur
2 i huvudtexten.
24
FINANSINSPEKTIONEN
FI-ANALYS 2015:2
Bilaga 3: Jämförelse mellan att använda
medelvärde och den svagaste banken
De fyra storbankerna är var och en systemviktiga. Detta kan motivera
att den svagaste banken används som indikator. Där det finns lagkrav
– överskottsbuffert och LCR – använder vi den bank som har lägst
observerat värde i varje period som indikator. För övriga indikatorer,
där de fyra storbankerna ingår, använder vi genomsnittet av bankerna.
Figur 3.1 och 3.2 jämför resultat baserade på genomsnitt respektive
den svagaste banken.
Den svagaste banken behöver inte alltid ha det lägsta värdet. För ROE
som riskindikator är den svagaste banken den som har högst ROE,
eftersom den indikatorn ger signaler vid höga värden. Tröskelvärdena
är desamma för båda värmekartorna eftersom bankindikatorernas
tröskelvärden sätts genom bedömningar.
Figur 3.1: Värmekarta för genomsnittet av de fyra storbankerna
Figur 3.2: Värmekarta för den svagaste av de fyra storbankerna
Som väntat ger indikatorer baserade på den svagaste banken fler signaler om förhöjd och hög sårbarhet. I just detta fall är dock skillnaderna ganska små; kärnbruttosoliditeten signalerar för den bank som har
lägst värde och ROE-indikatorn för den bank som har högst värde.
Dessutom signalerar inte genomsnittet av LCR totalt.
25